Vikhyat Chaudhry, CTO, COO en mede-oprichter van Buzz Solutions – Interviewreeks

Vikhyat Chaudhry is de CTO, COO en mede-oprichter van Buzz Solutions en voormalig datawetenschapper bij Cisco, een machine learning/embedded systems engineer bij Altitude en afgestudeerd aan Stanford.

Buzz Solutions levert nauwkeurige AI- en predictieve analytics software om visuele inspecties van transmissie-, distributie- en onderstationsinfrastructuur efficiënter te maken.

Kunt u uw reis en carrièrehoogtepunten delen die u hebben geleid tot de oprichting van Buzz Solutions?

Ik groeide op in New Delhi, India, met een natuurlijke nieuwsgierigheid naar innovatie en techniek en ik bezocht het Delhi College of Engineering, waar ik civiele en milieutechniek studeerde. Ik herinner me vooral een moment tijdens mijn laatste jaar toen ik een drone van scratch bouwde en hem in de stad vloog. De opdracht was om de luchtkwaliteit in New Delhi te meten en via dit experiment ontdekte ik dat de kwaliteit boven de 500 AQI lag, wat gelijk is aan het roken van 60 sigaretten per dag. De slechte luchtkwaliteit kon rechtstreeks worden toegeschreven aan een gebrek aan elektrificatie, stijgende uitstoot van voertuigen en een toename van steenkoolgestookte centrales in de loop van de jaren. Deze ervaring versterkte mijn interesse in het gebruik van technologie om echte problemen op het gebied van energie en kracht aan te pakken.

Voordat ik Buzz oprichtte, leidde mijn technische achtergrond me naar mijn rol als leider van de machine AI- en datascienceteams bij Cisco Systems (CSCO ) voor een paar jaar. Deze ervaring was waardevol en bouwde mijn blootstelling aan een diverse reeks kunstmatige intelligentie- en machine learningprojecten op.

Ik behaalde mijn master in civiele/milieutechniek aan de Stanford University in 2016. Tijdens deze periode volgde ik lessen die zich specialiseerden in energie-engineering, waardoor mijn interesse die ik al had groeide. Ik ontmoette mijn mede-oprichter Kaitlyn in een klas waar we ons verbonden over onze passies voor het milieu, energie en ondernemerschap. We stuitten op een grote behoefte in de nutssector en werken sindsdien aan oplossingen om deze aan te pakken.

Kunt u de belangrijkste ontwikkelingen beschrijven die u heeft waargenomen in de overgang van traditionele AI naar generatieve AI tijdens uw carrière, en welke significante impact heeft deze overgang gehad op verschillende industrieën?

 In 2022 begonnen we met experimenteren met generatieve AI. GenAI in de nutssector is een interessante use case, omdat de data waar we mee werken veel verschillende variabelen omvat. Er zijn factoren zoals camereresolutie, hoek van opname en objectafstand – en dat zijn alleen maar de drones. Er zijn ook milieufactoren zoals corrosie of vegetatie-inbreuk die talloze gradaties van vrijheid introduceren. Vanwege deze complexiteit kan goede trainingsdata voor gridmodellen moeilijk te vinden zijn.

Daar komt GenAI de afgelopen jaren om de hoek kijken – naarmate de kunstmatige intelligentie en machine learning verbeteren, worden de trainingssets die ze creëren ook beter.

GenAI is een haalbare optie geworden voor het trainen van modellen, vooral met cruciale ‘randgevallen’ waarin variabelen extreme waarden hebben, zoals in het geval van een bosbrand. Naarmate GenAI in de nutssector vordert, zullen synthetische datasets, gebaseerd op echte gegevens, helpen bij het verder trainen van modellen om complexe en unieke datasituaties effectiever aan te pakken, wat significante verbeteringen biedt in predictief onderhoud en anomaliedetectie, wat op zijn beurt natuurlijke rampen zal verminderen.

Kunt u uitleggen hoe de AI-tool van Buzz Solutions echte data gebruikt voor anomaliedetectie en welke voordelen het biedt ten opzichte van synthetische data?

In de nutssector betekent echte data alles wat in het veld kan worden vastgelegd, meestal inclusief afbeeldingen of video’s gemaakt met luchtvaartuigen zoals drones of helikopters. Synthetische data daarentegen is data die wordt verzameld via een beeldreplicatieproces dat handmatig verschillende componenten van een afbeelding wijzigt om te proberen rekening te houden met een exponentieel aantal scenario’s en randgevallen. Momenteel is het goed op papier, maar niet in de praktijk. Modellen getraind met echte data vanaf het begin zijn bewezen nauwkeuriger en het voordeel is dat teams door het gebruik van echte data 1:1 kunnen kaarten met de ‘grondwaarheid’ – een nauwkeurige weergave van de fysieke wereldscenario’s die een technicus waarschijnlijk tegenkomt (zoals achtergrondruis en weer). De echte data houdt rekening met echte wereldmogelijkheden en omvat de onvoorspelbare variabelen van foutdetectie.

Terwijl synthetische data alleen nog niet in staat is om te optimaliseren voor echte wereldscenario’s (nog niet), speelt het nog steeds een belangrijke rol bij het trainen van modellen.

Wat zijn de grootste uitdagingen die u tegenkomt bij het integreren van AI met legacy-systemen in nutsbedrijven?

Legacy-systemen in nutsbedrijven zijn vaak niet compatibel met AI-verbeteringen. Twee grote uitdagingen die we zien, zijn interne transformatie en gegevensbeheer. Gesloten data en communicatie kunnen schadelijk zijn voor digitale transformatie-inspanningen. De data die nutsbedrijven al bezitten, moet worden beheerd en beveiligd terwijl informatie wordt overgedragen.

Bovendien hebben nutsbedrijven die nog steeds on-premises data-opslag gebruiken, grotere uitdagingen. De overgang van on-premises data-opslag naar cloud-infrastructuur is niet het probleem, maar eerder de uitgebreide transformatie en de naschok die volgt. Dit proces vereist aanzienlijke middelen en tijd, waardoor het moeilijk is om verschillende technologieën toe te voegen bovenop de overgang. Het introduceren van effectieve AI-oplossingen is niet aan te raden totdat dit proces is voltooid.

Het is ook belangrijk dat er intern een culturele verschuiving plaatsvindt, samen met de technologische verschuiving. Dit vereist dat medewerkers zich committeren aan voortdurend leren en aanpassen aan veranderingen in het proces en dat ze AI-oplossingen zien als effectieve instrumenten om hun dagelijkse taken gemakkelijker en efficiënter te maken.

Kunt u het proces uitleggen van het trainen van AI-modellen met veldgeteste data van vitale infrastructuurlocaties?

Een groot deel van het trainingsproces bestaat uit het verwerken van de luchtdata die door drones en helikopters worden geleverd. We kiezen ervoor om drones te gebruiken in plaats van methoden zoals satellieten vanwege de flexibiliteit en onmiddellijke gegevenslevering die ze bieden. We gebruiken drie belangrijke soorten algoritmen: beeldclustering, segmentatie en anomaliedetectie.

Onze technologie wordt aangedreven door Human-in-the-loop machine learning – waardoor subject matter experts in ons team directe feedback kunnen geven aan het model voor voorspellingen onder een bepaald niveau van vertrouwen. We zijn gelukkig om de SME’s in ons team te hebben die we hebben – met hun decennia aan gecombineerde ervaring als veldtechnicus, geven ze feedback om onze modellen nauwkeuriger, persoonlijker en robuuster te maken.

Door het gebruik van echte veldgeteste data, kunnen we ervoor zorgen dat onze anomaliedetectie zeer nauwkeurig en betrouwbaar is, waardoor nutsbedrijven actiegerichte inzichten krijgen.

Hoe draagt de AI-technologie van Buzz Solutions bij aan het veiliger maken van reparaties aan hoogspanningslijnen?

Reparatiewerkzaamheden aan hoogspanningslijnen zijn een van de gevaarlijkste beroepen in Amerika, en de industrie ondervindt de gevolgen van een verouderde arbeidsmarkt en een tekort aan technici.

Met onze technologie, PowerAI, is noodhulp effectiever en nauwkeuriger gemaakt, zodat technici schade op afstand kunnen beoordelen en de tijd hebben om een vooraf bepaald actieplan te ontwikkelen – wat de kans vermindert dat een technicus naar een onbekende, potentieel gevaarlijke situatie wordt gestuurd.

PowerAI gebruikt computerzicht en machine learning om een groot deel van het foutdetectieproces te automatiseren. Het heeft de analyse van grote hoeveelheden gegevens sneller, veiliger en goedkoper gemaakt, zodat technici minder onnodig risico lopen en een hogere operationele efficiëntie hebben. Deze operationele efficiëntie manifesteert zich in kleinere kosten, snellere omlooptijden en preventief onderhoud.

Wat is de rol van drones en andere geavanceerde technologieën bij het moderniseren van infrastructuurinspecties?

Historisch gezien was het proces van infrastructuurinspecties volledig handmatig en zeer saai. Inspecteurs zaten voor een computerscherm, schoven door duizenden afbeeldingen en identificeerden problemen met de hand. Dit proces werd onhoudbaar toen hoogspanningslijnen steeds meer problemen ondervonden, wat leidde tot meer onveilige situaties en een grotere regelgevingscontrole, waardoor de hoeveelheid gegevens die moesten worden beoordeeld in een kortere tijd toenam.

AI-gebaseerde technologie stroomlijnt het proces van gegevensanalyse aanzienlijk, waardoor de tijd en kosten die daarbij zijn gemoeid, worden verlaagd. Dit stelt nutsbedrijven in staat om reparatieteams sneller en effectiever in te zetten. De detectie van problemen is ook veel preciezer, waardoor reparaties tijdig en voorkomend zijn en groeiende gevaren worden voorkomen.

Bij het vastleggen van afbeeldingen voor analyse zijn drone-inspecties veiliger en kostenefficiënter dan andere methoden van infrastructuur, zoals helikopters, satellieten en vaste vleugelvliegtuigen. Hun mobiele mogelijkheden stellen hen in staat om op een manier te manoeuvreren die het mogelijk maakt om dichterbij te komen en meer gedetailleerde informatie te verzamelen.

Hoe helpt het AI-gebaseerde platform van Buzz Solutions nutsbedrijven met predictief onderhoud en kostenbesparingen?

Onze oplossing haalt het grootste deel van het handmatige analysewerk uit de gridinspectie. PowerAI kan snel gevaarlijke situaties identificeren om potentiële rampen te voorkomen en kritieke informatie verstrekken voor bewakings- en beveiligingsdoeleinden. De AI-algoritmen zijn getraind om anomalieën zoals extreme temperaturen, ongeautoriseerde toegang/personeel, thermische beeldvorming en meer te detecteren.

Naast preventieve tracking kan PowerAI ook een gestructureerde prioritering van anomalieën bieden voor geoptimaliseerd onderhoudsplanning. Al deze dingen minimaliseren de noodzaak voor fysieke inspecties, waardoor operationele kosten en veiligheidsrisico’s die samenhangen met handmatige inspecties, worden verlaagd. Het AI-gebaseerde platform biedt ook nauwkeurigere en precieze detectie, waardoor onderhoudsbeslissingen worden verbeterd.

Kunt u de impact bespreken van het adopteren van AI op de operationele efficiëntie van nutsbedrijven?

Na de initiële lift van het adopteren van een AI-model, zal een nutsbedrijf de voordelen van het model voor een onbeperkte tijd blijven plukken. De levenscyclus van een AI-model begint bij de installatie. AI kan actiegerichte inzichten opleveren uit duizenden afbeeldingen die over honderden kilometers aan infrastructuur zijn gemaakt. Gezien het feit dat we onze eerste dataset van een nutsbedrijf op een band ontvingen, is dit buitengewoon en het wordt alleen maar slimmer. AI maakt vroegtijdige detectie van onderhoudsproblemen veel mogelijk, waardoor kleine incidenten niet escaleren tot grotere veiligheidsrisico’s zoals bosbranden en ernstige verwondingen. Het vermindert de noodzaak voor menselijke inspecties, waardoor de nutsbedrijven kosten-efficiënter worden.

In uw artikel “Het adopteren van AI is slechts het begin voor nutsbedrijven” bespreekt u de initiële stappen van AI-adoptie. Wat zijn de meest kritieke overwegingen voor nutsbedrijven die hun AI-reis beginnen?

Er is een enorme kans voor nutsbedrijven om AI te gebruiken, en er zijn veel oplossingen om te overwegen. Voordat u eraan begint, is het belangrijk om uw doelen te identificeren en een stabiele basis te creëren – welke uitdagingen ondervindt u momenteel die u zou willen laten helpen door AI? Bezit uw team de technische expertise en de tijd om zo’n complexe transformatie aan te pakken? Hoe zal het de klanten beïnvloeden?

Naast het intern afstemmen is het belangrijk om voorbereid te zijn op meer data dan het nutsbedrijf eerder heeft ontvangen, wat waarschijnlijk zal leiden tot meer onderhoud als problemen ontstaan. Een nutsbedrijf moet een plan hebben om deze verzoeken te accommoderen en ervoor zorgen dat het de juiste middelen heeft voordat het zijn AI-reis begint. Nutsbedrijven moeten ook samenwerken met oplossingsleveranciers om de juiste gegevens-toegang, -privacy en -beveiliging te implementeren bij het inzetten van AI-oplossingen. AI-gegenereerde inzichten moeten uiteindelijk worden gevoed in bestaande nutsbedrijfsprocessen, zodat ze actiegericht worden en de bedrijfs- en operationele doelen van de organisatie kunnen bereiken.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen Buzz Solutions bezoeken.